基于机器学习的二维材料中激子效应洞察
材料科学
2025-12-02 v3 计算物理
摘要
理解二维（2D）材料中的激子效应对于推动其在下一代电子和光子器件中的潜力至关重要。本研究引入一种基于机器学习（ML）的框架，用于预测二维材料的激子结合能，作为传统方法（如玻尔-西普尔方程和多体扰动理论（GW））的计算效率更高的替代方案。利用计算二维材料数据库（C2DB）中的数据，我们的ML模型在廉价可获得的材料描述符与复杂激子属性之间建立了联系，显著加快了筛选具有显著激子效应材料的速度。此外，采用高斯过程回归的贝叶斯优化用于高效筛选具有最大激子结合能的材料，进一步增强了材料发现过程。虽然为二维体系开发了此方法，但其方法论具有广泛的可扩展性，可应用于三维材料，拓宽了其在材料发现中的适用范围。
引用
@article{arxiv.2501.01092,
title = {Machine Learning-Driven Insights into Excitonic Effects in 2D Materials},
author = {Ahsan Javed and Sajid Ali},
journal= {arXiv preprint arXiv:2501.01092},
year = {2025}
}